心血管疾病作为近三十年来死亡率最高的疾病,逐渐被人们关注,目前大部分研究停留在治疗方面,虽然心血管疾病的治疗水平日益升高,但与之同时也要加强预防工作。随着大数据分析的快速发展,本文针对心血管疾病数据进行研究分析。本研究数据来源于和鲸社区,数据集包括年龄、性别、收缩压、舒张压等特征,对收集到的数据变量进行分析并合并整理,然后进行数据清洗,剔除异常值,最终纳入52496例患者数据作为研究对象。先对研究对象进行探索性分析,可以从中获取变量之间的关系,分析其分布规律。再将研究对象随机按7:3分为训练集和测试集,在训练集上建立logistics回归模型、决策树、支持向量机、BP神经网络模型,并在测试集上进行验证,对是否患心血管疾病进行预测判别,根据混淆矩阵和ROC图得到分类预测准确率、精确率、召回率、F1 score、AUC值,对四个模型进行评估选出最优模型。52496例研究对象中,被诊断为心血管疾病患者28582例（54.4%）。建立心血管疾病的logistics回归模型时,将多分类变量转化为二分类变量,通过相关系数、矩阵的秩、方差膨胀因子来分析变量之间是否存在多重共线性,进行全变量回归;然后建立心血管疾病预测的决策树、支持向量机、BP神经网络模型,分别得到混淆矩阵和ROC图,利用五项指标对模型进行评价分析。四个模型的五项评估均较好,本文选择综合评判的标准（AUC值）来评价每个模型。对于第一类血压（即收缩压大于等于180）的决策树的AUC值最高,为0.869,说明当收缩压大于等于180时,选择用决策树来预测患心血管疾病的概率最为准确。如果综合来看,对于所有人群来说,BP神经网络模型的AUC值最高,为0.793,说明该模型相对其他三种模型来说,分类效果是最好的。建议在心血管疾病预测方面,采用BP神经网络进行预测。此分析结果可以为有需要的人提供参考,为心血管疾病预测打下夯实的基础,也可将其运用在其他疾病预测方面,为建立疾病预测系统提供支持。